摘要:视觉目标跟踪是我们图像处理研究的新方向，它十分广泛地应用于人机交互、智能化机器人、视频监控摄像等方面，无人机场景下的车辆跟踪发展迅速，并且研究方向较为广阔，根据当今社会生活中交通问题的空间复杂度高、运动目标较多、目标运动特点多样等特点，具有针对性的解决因我国人口多导致的道路交通问题。

近些年来，基于相关滤波的目标跟踪算法也达到了不错的跟踪效果，由于现今算法均要求实时性，所以它的快速算法满足了我们的需求，具有很好的应用前景。

本文以相关滤波算法作为框架，使用基于核相关滤波算法和基于尺度估计精确跟踪算法。通过循环位移的方法收集候选训练示例，之后，计算训练示例与目标示例的相关系数，以此来获得置信响应图（HOG图），并通过置信响应图的相应最大值来确定目前所在帧的目标位置。我们的算法对已有的相关滤波算法在速度上和运算形式上有较大更新。

结合我们的实验，本文采用德国实验室提供的无人机车辆视频，主要对我们提出的特征选择方法和提出的颜色模型进行对比实验。由实验结果得出，我们所提出的算法比以往的算法有较大提升。

 

关键词：目标跟踪；相关滤波；核相关滤波；尺度估计

 

目录

摘要

Abstract

1 绪论-1

1.1 背景与意义-1

1.1.1 计算机视觉-1

1.1.2 视觉目标跟踪-1

1.1.3 无人机场景目标跟踪-2

1.2遇到的难点和挑战-2

1.3 研究内容发展与现状-4

1.3.1 视觉目标跟踪算法的分类-4

1.3.2  典型的跟踪算法-5

1.4 章节安排-6

2 基于相关滤波的目标跟踪算法-7

2.1 相关滤波算法-7

2.2 KCF算法-8

2.2.1 脊回归的相关滤波表示-9

2.2.2 循环位移的样本表示-10

2.2.3 循环矩阵傅氏空间对角化简化运算-11

2.2.4 基于核函数的相关滤波-11

2.2.5 核相关滤波的目标跟踪-12

2.3 总结-13

3 基于MOSSE算法改进算法和常用颜色模型-14

3.1 DSST算法-14

3.1.1 相关滤波器-14

3.1.2 算法核心思想-15

3.1.3 快速的尺度空间跟踪-15

3.1.4 算法整体框架-15

3.2 颜色模型-17

3.3 总结-18

4 车辆跟踪的特征选择与融合-20

4.1 特征选择-20

4.1.1  基于方差比(Variance Ratio)的特征选择机制-20

4.1.2  基于置信图方差的特征选择机制-21

4.1.3  基于置信图主旁瓣比的特征选择机制-22

4.2特征融合-24

4.2.1  权重分配融合法-24

4.3 总结-25

5无人机场景下车辆跟踪算法研究-26

5.1 数据库的选择-26

5.2 无人机场景的车辆跟踪算法框架-29

5.3 实验结果展示与总结-31

5.4  本章总结-33

结    论-34

参 考 文 献-35

致    谢-37